Cryo-EM 革命的深層技術分析和未來方向涵蓋硬體極限、AI 方法學和商業化影響。
DED 技術的物理極限
Counting mode 下，每個電子事件被獨立記錄和定位（centroiding），消除了 Landau noise（每個電子在偵測器中沉積的能量分布造成的信號變異）。Super-resolution mode 進一步將有效像素尺寸減半。理論 DQE 極限 ~1.0，目前最好的 DEDs（Gatan K3, Falcon4i）在 1/2 Nyquist 處 DQE ~0.6-0.7。能量過濾器（Selectris, BioContinuum）通過移除非彈性散射電子進一步提高 S/N（Cryo-ARM 和 Krios G4 標配）。
AI 在 Cryo-EM 流程中的應用
- 粒子挑選：TOPAZ（Bepler et al., 2019）以正面未標記學習（PUL）從少量手動標記中訓練；crYOLO 以物件偵測網路
- 構象分類：cryoDRGN（Zhong et al., 2021）以 variational autoencoder 在連續構象空間中表示異質性，打破了離散 3D 分類的限制。3DFlex（Punjani & Fleet, 2023）以 deformation field 物理模型描述連續構象運動
- de novo model building：ModelAngelo（Jamali et al., 2024）直接從 Cryo-EM map 建模並指定序列
- map-to-model scoring：DeepRes, MonoRes 以深度學習估算局部解析度
時間解析 Cryo-EM
Mix-and-spray（快速混合 + 噴霧 + plunge-freeze）在 ms 時間尺度捕捉反應中間體。已應用於 ribosome 轉位、GroEL-GroES 循環和 Cas9 切割中間態。最新的 microfluidic mixing + time-resolved Cryo-EM 平台將死時間降至 ~1 ms。
可及性和民主化
中型實驗室（200 kV Glacios + 能量過濾器）已能達到 < 3 Å。cryoSPARC Live 提供了即時 on-the-fly 處理。雲端計算（AWS/GCP）和 COSMIC²（NSF 資助的免費計算資源）降低了計算門檻。但高端 Cryo-EM（300 kV Krios G4, 價格 ~$7M）仍是昂貴的基礎設施。
文獻參考：Kühlbrandt, W. (2014). Science, 343, 1443-1444. / Cheng, Y. (2018). Science, 361, 876-880. / Zhong, E.D. et al. (2021). Nat. Methods, 18, 176-185.